视觉跟踪是计算机视觉领域中一个重要的组成部分,被广泛地应用于智能交通、监控、人机交互等场景中。同时,由于应用场景的复杂性,设计一个鲁棒的、实时的跟踪方法依旧是一个研究中的难题,因此,视觉跟踪有着很大的研究价值和探索空间。由于视觉跟踪的过程可以被视为是一个动态寻优的过程,因此,用于解决最优化问题的优化算法被广泛地应用于视觉跟踪中。而粒子群优化(Particle Swarm Optimization,PSO)算法是目前群体智能算法中的一个较热门的研究点,可以用于解决优化问题,并且由于其简单易实现、寻优效率高等特点受到了广泛的关注。介于上述分析,基于PSO的视觉跟踪在理论上可以作为视觉跟踪中的一个新的领域进行探索,并已经取得了一定的成果。大量实践证明了基于PSO算法构建的视觉跟踪方法是可行的,并且有着良好的性能。然而,PSO已经被证明是一种局部最优的算法,即容易收敛于局部最优解。基于量子理论的量子粒子群(QPSO)算法在保持了PSO优点的基础上,克服了PSO在全局收敛性上的不足,有着更好的全局收敛性。本文考虑将QPSO引入到视觉跟踪中,基于QPSO设计一个鲁棒的跟踪算法,但QPSO存在着种群多样性的问题,在一定程度上会影响到跟踪的效果。本文首先提出了差分进化量子粒子群(DE-QPSO)算法,该算法将差分进化(DE)算法的思想引入到QPSO中,在QPSO的粒子状态更新过程中添加差分进化算法中的变异、交叉和选择操作,以丰富种群多样性,因此DE-QPSO在保持了QPSO全局收敛能力优点的同时,能够进一步提升算法的性能,并使得算法更加鲁棒。另外,在目标外观模型上,采用了分块的思想,结合高斯混合模型(Gaussian Mixture Model,GMM),提出了基于局部块的高斯混合模型(Patch-GMM)以及相应的模型更新方法,基于局部块的外观模型可以使得目标外观不易受到环境的影响,使得跟踪更为鲁棒。最后结合前两个研究点,提出了基于DE-QPSO的跟踪方法。本文进行了大量的实验,实验结果表明,基于DEQPSO的视觉跟踪是可行的,并且在很多数据集中表现优异,能够克服不少视觉跟踪中的难点,如目标外观变化、尺寸变化、快速运动、运动模糊以及遮挡等。